为了快速、准确地对高压断路器发生的故障进行分析和诊断,确定故障的性质、类别和部位,提出了一种高压断路器故障诊断的新方法。首先对高压断路器分合闸线圈电流进行分析,提取电流和时间特征量形成特征向量,然后用遗传算法对最小二乘支持向量机(least square support vector machine,LS-SVM)参数进行优化,最后,将特征向量输入到优化后的最小二乘支持向量机中进行故障识别、分类。试验表明,该方法可以准确地识别断路器的多种故障类型,为断路器故障定位和状态检修提供了依据。与广泛使用的神经网络方法相比,该方法在样本较少时仍能获得较好的诊断效果,更适用于高压断路器等小样本设备的故障诊断。
提出了一种可应用于大规模电网电压稳定在线监测快速计算的简化L指标及其L-Q灵敏度分析新方法。针对实际电网的特点,以局部电压稳定指标(L指标)为基础,推导出负荷节点简化L指标。在此基础上,给出了简化L指标的全微分方程,借助全微分方程分析系统参数变化对电压稳定的影响;定义了电力系统L-Q灵敏度,定量分析了网络中负荷节点间的电压稳定相互影响关系,研究了不同电压失稳模式所涉及的区域划分,并就L-Q的物理意义进行了全面分析;比较了L-Q灵敏度分析方法与V-Q灵敏度分析方法的异同,给出了L-Q灵敏度分析方法的具体计算步骤。最后,将所提出的方法应用于New England 39节点、IEEE 118节点和IEEE 300节点系统中,算例仿真结果证明了所述方法的可行性和有效性。
提出一种基于复合神经网络的暂态稳定评估与故障临界切除时间(CCT)裕度预测新方法,它将概率神经网络(PNN)和径向基函数(RBF)网络组合使用,充分利用两者各自的优点,以提高暂态稳定评估能力和CCT裕度预测能力。该方法首先利用PNN进行暂态事故场景分类,分类时充分考虑了相邻故障样本类型重叠的影响;进一步采用RBF网络对分类结果进行裕度预测;最后,通过自检和校正以提高预测精度。利用New England 39节点系统,通过与反向传播(BP)神经网络、RBF神经网络等方法的比较,证明了本文方法的优越性。
